python 提取sogou中文语料库

article/2025/10/13 12:53:51

sogou中文语料库下载地址是:https://download.csdn.net/download/kinas2u/1277550
下载下来的文件包含了很多子文件夹,每个子文件夹下又包含了很多txt语料文件,我想把他们都整合到一个txt中(./SogouC_mini_20061102/Sample),并且输出的是已经分好词的txt文件
在这里插入图片描述
在这里插入图片描述
下面是处理程序

# -*- coding: utf-8 -*-
#!/usr/bin/env python
import sys
reload(sys)
sys.setdefaultencoding('utf8')import pandas as pd
import numpy as np
import lightgbm as lgb
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import f1_score
from gensim.models import word2vec
import logging, jieba
import os, ioif os.path.exists('sogou_seg.txt'):os.remove('sogou_seg.txt')stop_words_file = "./SogouC_mini_20061102/stop_words.txt" 
stop_words = list() 
with io.open(stop_words_file, 'r', encoding="gb18030") as stop_words_file_object: contents = stop_words_file_object.readlines() for line in contents: line = line.strip() stop_words.append(line)d_s = []
data_dir = './SogouC_mini_20061102/Sample'   
#data_dir = './train'                
for folder in os.listdir(data_dir):d = os.path.join(data_dir, folder)  if not os.path.isdir(d):continued_s.append(d)              data_files = []
for folder_cls in d_s:txt_files = os.listdir(folder_cls)for txt_file in txt_files:data_files.append(os.path.join(folder_cls,txt_file))for data_file in data_files:with io.open(data_file, 'r', encoding='gb18030') as content:for line in content:seg_list = list(jieba.cut(line))out_str = ''for word in seg_list:if word not in stop_words:if word.strip() != "":word = ''.join(word)out_str += wordout_str += ' 'with io.open('sogou_seg.txt', 'a', encoding='utf-8') as output:output.write(unicode(out_str))output.close()

程序中中文语料停用词(stop_words.txt)下载地址为https://download.csdn.net/download/majinlei121/10733352
输出文件为sogou_seg.txt(大约309K),打开样式如下
在这里插入图片描述


http://chatgpt.dhexx.cn/article/gDG7LUsP.shtml

相关文章

python训练自己中文语料库_中文语料库构建过程详细教程

简介 今天我想简单记录一下自己构建语料库的过程, 方便自己查看和方便协作. 在工作中我们经常遇到一个问题就是每个研究者都有自己的语料库, 存储格式不同, 有用mysql这种结构化数据库的, 也有mogodb这种文档型数据库, 还有更多的是使用文本文件, 不管哪种形式, 都会导致数据交…

15个国内常用语料库

通用单语语料库 01. 国家语委现代汉语通用平衡语料库 http://www.aihanyu.org/cncorpus/index.aspx 该语料库是由国家语言文字工作委员会主持,面向语言文字信息处理、语言文字规范和标准的制定、语言文字的学术研究、语文教育以及语言文字的社会应用,…

latex中文简历,硕博士找工作实习用,顶级简约简历

*转载请注明出处,谢谢! *latex自制简历演示,前言本篇文章介绍一下如何利用,制作一份简单的个人简历。文章目的并不是给大家提供模板,而是希望大家通过本篇文章的介绍,对制作个人简历的过程有个简单的了解,有所启发。代…

分享一个Latex一页纸简历模板(中英文)

分享一个Latex一页纸简历模板(中英文) 近期鉴于需要想找一份中文版的latex简历模板。tex模板支持中文一直是新手的心头痛,笔者希望能找到一份无痛支持中文的模板,最终在GitHub上找到了billryan制作的模板,链接在全文的…

硕士博士简历latex模板

找工作找实习,技术类的,简洁版,简历模板 模板下载地址:https://download.csdn.net/download/qq_25379821/10799422 使用注意事项: 我使用的编辑器是 Texworks 注意把环境改成system,否则中文显示乱码

一个LaTeX论文模板

文章目录 $\LaTeX$源码模板效果图 LaTeX \LaTeX LATE​X源码 % -*- coding: UTF-8 -*- \documentclass[UTF8]{ctexart} \usepackage{multicol} %数学包,这里没用到 %\usepackage{amsmath} \usepackage{indentfirst} %添加作者信息 \usepackage{authblk} \usepackag…

安装R包的几种方法(汇总)

以下载ggplot包为例 1. 在R studio界面中直接输入函数: install.packages("ggplot") #直接输入R包的名字即可。 2. 找不到无法下载的包,可以上Github官网搜索,上面会提供下载方法: 3. 将包下载到本地后,进行…

R: R package安装的几种方式

R包安装方式 一、CRAN安装二、Bioconductor安装三、Github安装四、手动安装 一、CRAN安装 对于大多数R包或可以在R官网上查询到的包,都可以直接进行安装。 直接利用代码安装 install packages("R包的名称") 从R—packages界面搜索安装 在第3步中输入R包…

R安装与卸载、RStudio安装

R及RStudio安装、R卸载 R下载R安装Rstudio下载RStudio安装R卸载 RStudio只是辅助使用R进行编辑的工具,所以RStudio的正常使用需以R程序为基础,安装过R的可以跳过前两步 R下载 官网 点击download R。 点击选择清华大学的镜像地址 R安装 任意选择一个&…

RStudio的安装

安装RStudio教程 (如果下面的博客没有能解决你的问题或者你还有其他关于计算机方面的问题需要咨询可以加博主QQ:1732501467) 安装RStudio,总共分为三步: 一、安装R安装包 二、安装RStudio 三、测试RStudio是否安装…

R与RStudio的详细安装教程(有每一步的详细教程!!!!)

R与RStudio的详细安装教程 R是RStudio的前提,首先安装R,才能安装RStudio。 安装R教程总共分为三步: 一、下载R安装包 二、安装R 三、打开R 安装RStudio,总共分为两步: 一、安装RStudio 二、测试RStudio是否安装…

什么是mysql锁表

为何会锁表 首先我们了解一下数据库查询机制,首先我们用工具进行连接查询时,会创建一个connection,此时数据库会将查询语句解析成一棵“树”,各个引擎底层的结构不一样,mysql的话在innodb用的是b-tree,俗称…

MySQL-锁表和解锁

介绍 锁是计算机协调多个进程或线程并发访问某一资源的机制。锁保证数据并发访问的一致性、有效性;锁冲突也是影响数据库并发访问性能的一个重要因素。锁是Mysql在服务器层和存储引擎层的的并发控制。 加锁是消耗资源的,锁的各种操作,包括获…

MySQL锁表了怎么办?

发生表锁的一些原因 1、锁表发生在insert update 、delete 中 2、锁表的原理是 数据库使用独占式封锁机制,当执行上面的语句时,对表进行锁住,直到发生commite 或者 回滚 或者退出数据库用户 3、锁表的原因 第一、 A程序执行了对 tab…

MySQL的表锁

目录 共享锁与排它锁(读锁和写锁) 1、锁定读 2、写操作 1、表锁 表级别的读锁和写锁 意向锁(IS、Ik) 自增锁(TUTO-INC锁) 元数据锁(MDL锁) 共享锁与排它锁(读锁和写…

连接器插针插孔接触不良该如何检测呢?

随着科学技术的发展,电子设备越来越复杂,性能要求越来越高,对其所应用的电子元器件的要求也越来越严。而连接器的性能、可靠性则直接影响到电子设备的性能及可靠性。这就使得电连接器的结构设计、制造工艺、装配等过程环节技术难度加大,不可靠因素增多,且变得更加复杂。因此,对…

IPX 、 IPEX 、 UFL连接器

I-PEX原先是个做连接器的公司,后被第一精工合并。 IPX 、IPEX 、 UFL、HSC应该都是同一种连接器,一般叫为IPEX或IPX,不过不同的厂商有自己系列和名称,如第一精工DAI-ICHI SHIKO叫为IPEX,广濑机电HIROSE的UFL和WFL&…

PCB中 D-Subminiature(DB接口) 连接器系列分类及带有3D封装绘制

PCB中 D-Subminiature(DB接口) 连接器系列分类及带有3D封装绘制 连接器分类 连接器是一种连接电气端子以形成电路的耦合装置。 借助连接器可实现电线、电缆、印刷电路板和电子元件之间的连接。D-Subminiature(DB接口)主要有直角…

使用HiFlow场景连接器查看每天处于地区的疫情

目录 使用HiFlow场景连接器查看每天处于地区的疫情 HiFlow场景连接器是什么? HiFlow场景连接器(目前)免费的 简单创建了一个查看所处地区流程: 首先你需要进行一下登录,登录进去后内容如下(你可以先看的&#xff0…

APC型光纤活动连接器有何特点?适合使用在什么场景?

1 概述 光纤活动连接器的型号主要由两个部分组成,比如我们常用的SC/UPC型连接器,SC表示连接器的接口类型,UPC表示插针端面形状。 连接器的接口分SC、FC、LC、ST、MPO等多钟类型,我们在工程中常用的主要有LC、FC和SC。连接器插针…